0
| 本文作者： 郑佳美 | 2026-06-12 14:26 |
作者丨郑佳美
编辑丨马晓宁
在全球气候风险越来越难以用单一事件解释的今天，气候预测行业正面临一个明显转向：预测对象不再只是某一次 El Niño 或某一个海温指数，而是整个海洋和大气系统中多个气候模态的联动变化。
过去，很多预测方法更擅长处理 ENSO 这样的核心模态，却较难同时理解印度洋、大西洋和太平洋副热带区域之间的连锁反应。
现实中的气候异常也往往不是单点发生的，例如一次太平洋海温异常，可能会改变远洋航线沿途的风浪条件，影响跨洋货运的时间安排；一个印度洋或大西洋信号的变化，也可能影响大型赛事、旅游旺季、保险定价和公共卫生部门对热带疾病传播风险的预判。
也就是说，气候预测已经不只是科学问题，更关系到交通、商业、保险、旅游、公共服务等许多普通人能感受到的生活场景。
在这种背景下，来自清华大学李勇教授研究团队提出了题为《Learning the coupled dynamics of global climate modes》的研究，尝试用统一模型 UniCM 学习全球气候模态之间的耦合动力学。
研究的核心并不是把 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 分别预测一遍，而是把它们放进同一个相互牵动的系统中，让模型同时理解海表温度、风应力、温跃层等物理场如何生成气候模态，也理解这些气候模态形成后如何反过来影响全球海气系统的未来变化。
这样一来，预测就不再停留在某个指数会升高还是降低，而是进一步追问，不同海盆之间的信号如何传递，极端事件出现前哪些模态正在变得更活跃，以及全球气候系统是否正在从分散波动走向有组织的异常状态。
论文地址：https://www.nature.com/articles/s42256-026-01245-5
01
实验结果显示，UniCM 的预测能力整体强于 XRO、DESN、CNN、ResoNet 等基线方法，其主要优势并不是单纯提高某一个气候指数的精度，而是同时提升多个气候模态的整体预测能力，预测提升的关键来自“物理场变化”和“气候模态相互作用”的联合学习。雷峰网
在 ENSO 预测方面，UniCM 的长提前期预测能力明显增强，有效预测时间延长到约 19 个月，同时春季可预报性障碍的影响减弱，短期预测中能够较准确捕捉 El Niño 和 La Niña 的变化趋势，长期预测中仍能保持对 ENSO 相位和强弱变化的判断，不只是预测“会不会发生”，还能够较好捕捉事件的开始、发展、持续和衰退。雷峰网(公众号：雷峰网)
在典型历史事件方面，1997 年至 1998 年极端 El Niño 被模型较好捕捉，2020 年至 2023 年三重 La Niña 也被模型较好还原，不同类型 ENSO 事件都能保持较稳定预测，说明模型没有只记住一种 ENSO 模式，而是学到多种 ENSO 演化路径。
在多气候模态预测方面，UniCM 同时预测 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD，把太平洋、印度洋、大西洋的气候模态放在同一个系统中处理。
其中 ENSO 仍然是最容易预测的模态，IOD、TNA、IOB、SIOD 等非 ENSO 模态的预测能力也有明显改善，对于 TNA、IOB、SIOD 这类受复杂遥相关影响的模态，UniCM 比线性模型更稳定，多模态统一预测也比单独预测每个模态更有优势。
在海表温度预测方面，赤道中东太平洋区域的预测效果最突出，中太平洋区域在长提前期下仍保留较明显信号，关键 ENSO 区域的异常变化能够在较长时间后仍被模型识别，说明模型不是只拟合气候指数，而是学到了海表温度空间场的演化规律。
在模态关系识别方面，NPMM 对 ENSO 的提前影响、TNA 与 ENSO 之间的跨洋盆联系、SIOD 与 IOB 之间的印度洋内部联系都被模型捕捉，UniCM 对这些关系的时间先后、强弱变化、非对称结构的还原效果优于 XRO，说明模型学到的不只是相关性，还有一定的动态耦合结构。
在可解释性方面，强 El Niño 前中东赤道太平洋信号更集中，部分 La Niña 前热带大西洋或西太平洋信号更突出，正常年份前注意力分布更分散，模态关系较弱，而极端事件前气候模态之间的联系更集中、更有组织，NPMM、TNA 等模态在极端 ENSO 事件前表现出更强前兆作用。
02
研究的基本思路是，海表温度、纬向表面风应力、经向表面风应力、温跃层深度、上层 300 m 海温等物理场变化，会在长期演化中形成 ENSO、IOD、TNA 等大尺度气候模态。
而这些气候模态一旦形成，又会反过来影响未来的海温分布、风场变化和海洋上层结构，所以模型不能只看单个气候指数，也不能只看局部物理变量，而要同时处理“物理场生成模态”和“模态调节物理场”两个方向。
数据准备阶段，研究人员使用经过筛选的 CMIP6 历史气候模拟作为训练数据，主要保留能够较好再现主要气候模态变化特征的模拟结果，并使用多个再分析数据集进行测试，用来检验模型面对真实气候资料时是否仍然有效。
每个训练样本由过去 12 个月的气候状态和未来 24 个月的预测目标组成，过去 12 个月作为模型输入，未来 24 个月作为模型需要学习和输出的结果。
进入模型之前，物理场数据先被处理成月异常，再进行标准化，以减少不同月份气候背景差异带来的影响，随后被统一到 5° × 5° 的空间网格，并切分成空间块，使模型能够关注大尺度海气变化，而不是被短期天气噪声干扰。
气候模态指数则从海表温度场中计算得到，并经过 3 个月滑动平均处理，用来突出季节到年际尺度的变化。模型输入分为两条路径，一条是物理场路径，包含海表温度、纬向表面风应力、经向表面风应力、温跃层深度和上层 300 m 海温，主要提供气候模态形成的物理背景；
另一条是模态路径，包含 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 七个气候模态指数，主要提供全球气候系统当前的大尺度状态。
模型结构上，UniCM 采用双分支 Transformer，Globalformer 负责处理物理场输入，学习海温、风应力、温跃层和上层海温在不同海区、不同月份之间的时空演化关系，Modeformer 负责处理模态指数输入，学习 ENSO、IOD、TNA、NPMM、SPMM、IOB、SIOD 各自的时间变化，以及它们之间可能存在的非线性耦合和跨洋盆遥相关。
两个分支并不是各自独立完成预测，而是通过耦合机制连接起来，Modeformer 先在模态层面提取整体气候状态和模态间关系，再把学到的模态信息注入 Globalformer，使物理场预测不仅依赖局部海温、风场和温跃层信息，也受到全球气候模态状态的约束。
这样设计之后，模型既能从底层物理场中识别气候模态如何形成，也能从高层模态状态中判断未来物理场可能怎样继续演化。
训练完成后，研究团队把 UniCM 与传统气候动力模型、普通深度学习模型、ENSO 专门预测模型和高分辨率场预测模型进行对比，重点比较 ENSO 长提前期预测、多气候模态统一预测、海表温度空间场预测、春季预测难点下的稳定性、极端 El Niño 和 La Niña 事件的还原能力，以及不同气候模态之间滞后关系的重建能力。
评估时，研究人员不仅看预测数值是否接近观测结果，也看模型是否能保持正确的相位变化、是否能还原海表温度异常的空间分布、是否能重建 NPMM 与 ENSO、TNA 与 ENSO、SIOD 与 IOB 等模态之间的先后联系，还进一步分析模型内部的注意力机制，观察极端事件发生前模型更关注哪些海区，以及哪些气候模态之间的联系会明显增强。
整体实验流程可以概括为：先用历史模拟数据训练模型，再用再分析数据测试模型，再通过预测精度、误差表现、空间场预测、模态关系重建和注意力解释结果，综合判断 UniCM 是否真正学到了全球气候模态系统中的耦合动力学。
03
整体来看，这项研究的意义不只是让气候预测更准确，而是让人们更早看见全球气候异常可能怎样发展。
对预测工作来说，UniCM 提升了 ENSO 的长提前期预测能力，也改善了 IOD、TNA、IOB、SIOD 等非 ENSO 模态的预测效果，使极端 El Niño、持续 La Niña 以及多气候模态共同异常更容易被提前识别。
这样一来，气候预警不再只关注某一个海区或某一个指数，而是能够从太平洋、印度洋和大西洋之间的整体联系中判断未来风险。
对气候科学来说，研究说明气候模态之间的联系并不是杂乱无章的噪声，跨洋盆遥相关中包含可以学习和识别的结构，极端事件发生前，不同模态之间往往会出现更集中、更有组织的联系。
因此，全球气候系统更适合被理解为一个相互牵动的耦合网络，单独研究 ENSO 可能会忽略来自印度洋、大西洋和太平洋副热带区域的早期信号。
对方法发展来说，研究把气候预测从单模态预测推进到多模态统一预测，从线性关系建模推进到非线性耦合建模，从只预测气候指数推进到同时利用物理场和气候指数进行联合预测，也让气候 AI 不只是给出结果，还能通过注意力机制显示哪些海区、哪些模态关系更可能影响极端事件。对普通人来说，这种研究最直接的价值在于争取更多准备时间。
更早识别 El Niño、La Niña 或印度洋、大西洋异常，意味着农业种植可以更早调整作物安排和灌溉计划，水库和城市供水系统可以更早准备干旱或异常降雨，沿海和低洼地区可以更早评估洪水风险，电力部门可以提前估计高温、寒潮或持续干旱带来的用电压力，粮食供应链也可以提前考虑气候异常对产量和价格的影响。
科学发现方面，UniCM 能帮助研究人员自动识别极端事件前的关键前兆区域，发现 NPMM、TNA 等模态可能具有的驱动作用，为理解全球海气耦合动力学提供数据驱动证据，也为脑网络、生态网络、社会经济系统等其他复杂系统研究提供可以借鉴的建模思路。
04
这篇论文的通讯作者为李勇教授，他是清华大学电子工程系的长聘教授、博士生导师，并担任城市科学与计算研究中心负责人，是教育部长江学者。他长期从事人工智能、数据科学、复杂系统与社会计算等交叉学科研究，主持了多个国家重点研发计划和国家自然科学基金重点项目。
在科研成果方面，李勇教授在人工智能和数据科学方向积累了丰富研究成果，在 Nature Computational Science、Nature Machine Intelligence、Nature Human Behaviour、Nature Cities 等综合性期刊，以及 ACM KDD、NeurIPS、ICLR、WWW 等国际会议上发表了大量高水平论文，累计引用超过三万多次，并拥有多项授权专利。
他曾入选全球高被引科学家、国家万人计划青年拔尖人才，获得教育部科技进步一等奖、IEEE ComSoc 亚太杰出青年学者奖、吴文俊人工智能优秀青年奖等多项荣誉，同时也担任多个国际会议筹委会成员和国际期刊编委。
参考资料：https://fi.ee.tsinghua.edu.cn/~liyong/
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
